图像处理的例子之图像修复概念解析

🎉 声明: 作为全网 AI 领域 干货最多的博主之一，❤️ 不负光阴不负卿 ❤️

精简摘录于第6章节 – 书籍 – 图像处理与分析

该书一些概念性的讲解还是很到位的，其中相关算法多为传统机器学习相关

---

CV 、图像修复、技术交流群

---

图像处理的例子

• 图像对比度增强
• 图像降噪
• 图像去模糊
• 图像修复
• 图像分割

图像修复主要包含如下修复（图像还原）类型

二维图像修复或者插值的主要挑战在于以下三个方面：

区域复杂性： CV中去遮挡，修复区域由前景中的物体所决定，而现实中前景物体可能有任意形状和大小的缺失、缺失信息在整个图像区域是散乱的；修复区域可能是由已有图像特征包围起来的散乱的空洞

图像复杂性： 修复图像几何的或不均匀的特征；缺少能够修复各种复杂纹理的单一模型

模式复杂性： 实际的修复格式不能仅仅基于将图像视为函数时的良好性质，还必须忠实于视觉上有意义的模式（如大致镜面对称【人脸】）

视觉研究一般分为几个层次，低、中和高，尽管这三者之间并没有明确的分界线。具有低复杂度的任务，如图像降噪和图像增强，或者图像处理中的大多数问题都属于低层次视觉。

另一方面，以推断为目的和适应于学习的任务，如模式识别、图像分类等，是典型的高层次视觉问题。

这里把图像修复定性为低层次修复；
为保证实用性，即使是低层次的修复模型也具有某些共同的特点：

1. （局部性）修复是局部的：需要修复的缺失信息只基于缺失区域附近的图像信息
2. （泛函性）修复是泛函：修复模型或算法只依赖于图像作为函数的性质，而不依赖于任何高层次的模式识别输入
3. （自动化）修复必须尽可能的自动化。需要的人工输入越少，模型的实用性也就越强
4. （普遍性）修复要能够尽可能地处理一般的图像，这意味着只要信息缺失确实是局部的，大多数一般的不完整图像都能够被成功修复到令人满意的精度
5. （稳定性）修复必须是稳定的，这是指它必须含有嵌入机制以抵抗任何对已知图像信息较小的损害，如实际应用中很常见的噪声和模糊

以上内容虽然简短，也是一字一字从书本之中码下来的；
感谢阅读至此和点赞支持；

📙 博主 AI 领域八大干货专栏、诚不我欺

• 🍊 计算机视觉： Yolo专栏、一文读懂
• 🍊 计算机视觉：图像风格转换–论文–代码测试
• 🍊 计算机视觉：图像修复-代码环境搭建-知识总结
• 🍊 计算机视觉：超分重建-代码环境搭建-知识总结
• 🍊 深度学习：环境搭建，一文读懂
• 🍊 深度学习：趣学深度学习
• 🍊 落地部署应用：模型部署之转换-加速-封装
• 🍊 CV 和 语音数据集：数据集整理

📙 预祝各位 前途似锦、可摘星辰

🎉 作为全网 AI 领域 干货最多的博主之一，❤️ 不负光阴不负卿 ❤️

❤️ 过去的一年、大家都经历了太多太多、祝你披荆斩棘、未来可期

• 📆 最近更新：2022年1月23日

• 🍊 点赞 👍 收藏 ⭐留言 📝 都是博主坚持写作、更新高质量博文的最大动力！

• 🍊 当前博主的主要创作领域如下、全网统一ID: 墨理学AI